arXiv cs.AI· Saanvi Khetan, Sankar Balasubramanian·· 10 天前AI 评分32
Llama-3.1-8B-Instruct 研究：财务信息缺失时，语言模型如何用身份替代事实
Thin Evidence, Thick Priors: How Language Models Substitute Identity for Missing Financial Facts
AI 导读
一项针对 Llama-3.1-8B-Instruct 的 96,600 条提示测试发现，在财务信息完全相同的情况下，仅改变投资者身份，推荐股票配置的平均差距会从信息完整披露时的 4.78 个百分点升至无任何财务事实时的 10.34 个百分点，比值达 2.16。
正文 · AI 翻译
摘要：人们越来越多地向大型语言模型咨询该如何处理自己的钱财，却很少完整描述自己的财务状况。本文探究模型如何应对这一信息缺口。在财务状况保持不变、仅改变投资者被描述为谁的情况下，我们将提示中的财务证据从八项事实逐步减少到零，并测量推荐股票配置比例的变动幅度。在针对 Llama-3.1-8B-Instruct 的 96,600 条提示中（由 100 个财务档案、138 个人设和七种披露条件构建），财务状况相同的两个人设之间的平均差距从完全披露时的 4.78 个百分点上升到无任何财务事实时的 10.34 个百分点。将重复提示只计一次的双向聚类自助法给出的比值为 2.16（95% 区间 1.69 至 2.79），而仅保留一项事实时该上升已达 1.69 倍。在完全披露时，身份解释了同一档案内建议差异的 5%，而在无披露时则解释了 96%。家庭规模是唯一一个随着证据被撤除其影响仍可靠增长的属性。一旦将标准误按人设（即身份被分配到的单位）进行聚类，会议版本中报告的多数属性特定交互作用便失去显著性，而性别反而表现为一个完全披露也无法消除的小幅持续差距。仅陈述风险偏好一项，就足以使波动幅度进入与两到七项一般事实相当的范围。在没有任何事实的情况下，模型的一句话理由会援引它从未被告知的收入、债务和储蓄，而这些凭空捏造的财务状况对大家庭而言更常转向不利。在网络内部，性别在每一层都可线性解码，而在五个层上消融性别方向后，总体身份波动幅度保持不变。基于此类模型构建的咨询系统，应在用户实际达到的披露水平上进行审计，并在整个身份空间而非一次一个属性地进行评判。
| 评论： | 49 页，17 幅图，12 张表；已提交并被 ICAIF'2026 接收 |
| 主题： | 人工智能（cs.AI） |
| MSC 分类： | 68T50, 91G80, 62P20 |
| ACM 分类： | J.4; I.2.7; K.4.2 |
| 引用为： | arXiv:2610.07798 [cs.AI] |
| （或本版本的 arXiv:2610.07798v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.07798 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Sankar B [查看电子邮件]
[v1]
2026 年 10 月 6 日星期二 05:46:28 UTC（2,484 KB）
来源：arXiv cs.AI · arxiv.org